IV.1Ритейл, электронная коммерция и fashion-tech

Trellis SegPart — экспериментальная модель сегментации частей 3D-объектов, разработанная на основе TRELLIS.2. Она генерирует разметку частей объекта по его 3D-форме и шести видам сегментации, полученным из 2D-проекций. Рекомендуемый выпуск включает VAE v2 с 64 каналами меток и DiT на 1,3 млрд параметров; для совместимости эти компоненты нужно использовать вместе с кодом v2 и соответствующей нормализацией. Метки частей локальны для каждого объекта, а канал 0 зарезервирован для неизвестных или неразмеченных областей. Модель рассчитана на разбиение 3D-ассетов на части, включая объекты с большим числом деталей. Она дообучена на базе TRELLIS.2 и использует набор данных PartNeXt. Для запуска требуются реализация v2, TRELLIS.2 и CUDA-зависимости; это не готовый пакет AutoModel. Лицензия в предоставленных данных не указана. Качество на мелких деталях и объектах с большим числом частей ограничено: в тестовой группе с 33–63 частями было всего восемь объектов, а некоторые детали гитары не распознавались. Оценка проведена на 128 объектах с одним фиксированным seed; объекты ранее использовались для диагностик разработки, поэтому результаты не являются независимой слепой проверкой обобщения.

openmmlab/upernet-convnext-large — модель семантической сегментации изображений на основе UperNet с крупным ConvNeXt-бэкбоном. Архитектура UperNet объединяет визуальный бэкбон, Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя. Модель предназначена для разметки областей на изображениях и анализа сцен. Её можно использовать для семантической сегментации; для конкретных наборов классов доступны дообученные версии. Карточка ссылается на работы Unified Perceptual Parsing for Scene Understanding и A ConvNet for the 2020s. Репозиторий содержит веса PyTorch и опубликован под лицензией MIT.

OpenMMLab upernet-convnext-tiny — модель для семантической сегментации изображений на основе архитектуры UPerNet и визуального backbone ConvNeXt Tiny. UPerNet объединяет backbone с Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя. Модель доступна в форматах PyTorch и safetensors. Модель предназначена для разметки изображений по классам и понимания сцен на уровне пикселей. Метаданные указывают английский язык карточки, но сама задача сегментации изображений не требует языкового ввода. Репозиторий распространяется по лицензии MIT. Карточка рекомендует применять базовую модель для сегментации и подбирать дообученные версии под конкретные наборы классов.

OpenMMLab публикует модель семантической сегментации изображений UperNet со Swin Transformer в качестве базового визуального энкодера. Архитектура UperNet объединяет backbone с Feature Pyramid Network и Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя изображения. Модель предназначена для попиксельного распознавания и разделения объектов и областей в сценах. Её можно применять для сегментации изображений, а для специализированных задач доступны дообученные версии с разными backbone. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — MIT.

copperscout1/vitpose-plus-base — форк модели ViTPose+ Base, подготовленный для развёртывания через Hugging Face Inference Endpoints. Базовая модель разработана командой ViTAE-Transformer; в карточке также указаны авторы Yufei Xu, Jing Zhang, Qiming Zhang и Dacheng Tao. Форк добавляет обработчик запросов, а модельные веса происходят от usyd-community/vitpose-plus-base. Модель оценивает позу человека по изображению: находит ключевые точки тела, например плечи, локти, запястья, бёдра, колени и лодыжки. Использует обычный Vision Transformer в качестве основы и лёгкий декодер для оценки позы. При запросе можно передать изображение по URL или в base64; детектор людей запускается автоматически, но его можно пропустить, указав рамки людей. MoE-эксперты ViTPose+ поддерживают наборы COCO, AIC, MPII, AP-10K, APT-36K и COCO-WholeBody. В метаданных указан английский язык карточки, однако модель анализирует изображения и не требует текстового ввода. Модель подходит для анализа положения тела на изображениях и может служить компонентом систем отслеживания упражнений, движений или действий. В README приведён результат 81,1 AP на тестовом наборе MS COCO Keypoint. Этот показатель не гарантирует такое же качество на других данных; модельный форк предназначен для инференса через Endpoints. Лицензия — Apache-2.0.

mjaliz/bslm-mlm-25M-ptdrw — дообученная модель маскированного языкового моделирования на базе BAAI/bge-m3-retromae, созданная для текстов товаров Basalam. Использует архитектуру XLMRobertaForMaskedLM и совместимый с XLM-RoBERTa токенизатор. Несмотря на «25M» в названии, модель содержит 568 006 802 параметра; максимальная длина последовательности — 8 192 токена. Модель предсказывает замаскированные фрагменты в персидских названиях и описаниях товаров и предназначена для экспериментов с MLM и последующей адаптации к продуктовому домену. В обучающих данных преобладает персидский язык; карточка также указывает английский. Это не универсальная генеративная модель. Выпущена под лицензией MIT.

tue-mps/coco_panoptic_eomt_small_640_2x — модель семейства EoMT, основанного на архитектуре Encoder-only Mask Transformer и Vision Transformer. EoMT описана в работе «Your ViT is Secretly an Image Segmentation Model», представленной на CVPR 2025. Эта версия предназначена для паноптической сегментации изображений; в метаданных указана задача image-segmentation и реализация на Transformers с весами PyTorch/SafeTensors. Модель содержит 28,3 млн параметров. Модель принимает изображения и выделяет сегменты, объединяя семантическую и экземплярную сегментацию. Архитектура EoMT позволяет использовать общий ViT-бэкбон без специализированного декодера или модуля слияния пикселей; паноптический вариант ориентирован на сцены COCO. В README указано, что для разных видов сегментации применяются различные этапы постобработки. Модель опубликована под лицензией MIT. Карточка не сообщает конкретных метрик качества или подробно описанных ограничений; как и другие модели сегментации, её результаты зависят от состава и качества входных изображений и обучающих данных.

DeepLabV3Plus с энкодером Tu-ResNet18 — модель семантической сегментации изображений, опубликованная в репозитории smp-test-models на Hugging Face. Она предназначена для выделения и классификации областей на изображении по пикселям и может использоваться в задачах, где требуется получить маску сегментации. Модель загружается через библиотеку segmentation-models-pytorch и сохранена в формате safetensors. В карточке не приведены метрики качества и название обучающего набора данных, поэтому оценить точность и область применимости по этим сведениям нельзя. Лицензия репозитория — MIT.

DETRPose-L-CROWDPOSE — модель для оценки поз нескольких людей на изображениях и видеокадрах, представленная авторами работы DETRPose. Она объединяет гибридный энкодер RT-DETR с лёгким декодером D-FINE и использует специализированный Pose-LQE для уточнения уверенности в ключевых точках, а также обучение с зашумлёнными ключевыми точками и функцией потерь Keypoint Similarity Varifocal. Версия DETRPose-L обучена на наборе CROWDPOSE и предназначена для быстрого инференса, в том числе в сценариях обработки видеопотока; в карточке заявлены 32,7 млн параметров, AP 73,3, задержка 9,03 мс и 103,5 GFLOPs. Модель принимает изображения и выдаёт координаты ключевых точек и оценки поз людей. Карточка ориентирует её на сцены с несколькими людьми; данные об отдельных поддерживаемых языках для этой задачи несущественны. Веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Для использования авторы указывают inference-ready ветку репозитория DETRPose.

Kelex83 дообучил DETR с backbone ResNet-50 DC5 от Facebook для обнаружения предметов одежды и аксессуаров на изображениях. Модель принимает изображение и предсказывает категории объектов и их расположение в виде рамок. Репозиторий использует библиотеку Transformers и формат весов safetensors. Модель предназначена для автоматической разметки фотографий одежды, поиска предметов гардероба и анализа изображений в задачах моды и электронной торговли. В опубликованной оценке общая mAP составляет 0,0137; результаты заметно различаются по категориям, поэтому качество обнаружения ограничено. Указанная лицензия — Apache-2.0.

FocalNet Tiny — модель компьютерного зрения для классификации изображений, основанная на архитектуре Focal Modulation Networks, представленной Yang и соавторами. Модель обучена на ImageNet-1k и рассчитана на изображения разрешением 224×224 пикселя; её выпустила команда FocalNet, а карточку подготовила команда Hugging Face. Вместо self-attention модель использует фокальную модуляцию: свёрточные слои собирают визуальный контекст разных масштабов, механизм с весами выбирает полезный контекст для каждого фрагмента изображения, а затем этот контекст передаётся в представление фрагмента. Модель выдаёт класс изображения из 1000 классов ImageNet-1k и может служить основой для сценариев классификации. В исследовании семейство FocalNet также оценивалось на задачах обнаружения объектов и сегментации, но эта версия предназначена для классификации. Модель доступна в формате PyTorch по лицензии Apache-2.0. Она принимает изображения и выдаёт метки классов; сведения о языках к ней не относятся. Карточка не приводит конкретных показателей качества или ограничений, поэтому применимость к изображениям вне ImageNet-1k следует проверять отдельно.

Это дообученная на TRL компактная текстовая модель на базе google/functiongemma-270m-it, опубликованная под названием retail-functiongemma-270m-v2. Модель построена на архитектуре Gemma 3 для причинной генерации текста и содержит около 257 млн параметров; она принимает текст и выдаёт текст. Метаданные указывают контекст до 32 768 токенов и поддержку диалогового режима. Модель предназначена для генерации текста в сценариях розничной торговли и работы специализированных диалоговых агентов. Карточка не описывает конкретные розничные функции или обучающие данные, поэтому пригодность для отдельных операций магазина следует проверять на целевых примерах. Указанная лицензия отсутствует в предоставленных данных.

OneFormer — модель компьютерного зрения для универсальной сегментации изображений, опубликованная shi-labs и обученная на датасете COCO. Это версия Large с backbone DiNAT; единая архитектура использует токен задачи, чтобы выбирать режим сегментации при инференсе. Модель предназначена для семантической, экземплярной и паноптической сегментации: она может размечать классы пикселей, выделять отдельные объекты и формировать общую паноптическую карту изображения. В карточке указана библиотека Transformers и формат PyTorch, лицензия MIT. Модель рассчитана на изображения и выдаёт карты сегментации. Результаты ограничены классами и данными COCO; перенос на другие предметные области может потребовать подходящего чекпойнта или дообучения.

Sapiens2-5B-Pointmap — модель Meta для оценки плотной 3D-карты точек по изображению человека. Для каждого пикселя она предсказывает координаты x, y, z в системе камеры, что позволяет восстанавливать геометрию тела и сцены вокруг человека. Модель использует backbone Sapiens2 на основе Vision Transformer и специализированную голову оценки pointmap; содержит 5,3 млрд параметров и распространяется в формате safetensors. Модель дообучена на базе facebook/sapiens2-pretrain-5b и предназначена для анализа изображений с людьми, а также исследований в области человеко-центричного компьютерного зрения. В карточке указан Sapiens2 License; конкретные условия следует сверять с текстом этой лицензии.

Sapiens2-1B — разработанная Meta предварительно обученная модель Vision Transformer для анализа изображений с фокусом на человеке. Веса этой версии содержат около 1,5 млрд параметров и распространяются в формате safetensors по лицензии Sapiens2 License. Модель обучена на 1 млрд изображений людей и выдаёт плотные признаки для каждого патча изображения. Её используют как основу для извлечения признаков и дообучения специализированных голов для оценки позы, сегментации частей тела, предсказания нормалей поверхности и построения pointmaps. Архитектура Sapiens2 ViT включает RoPE, GQA, SwiGLU, RMSNorm и QK-norm. Это визуальный backbone, а не готовая система для перечисленных downstream-задач: для получения оценок позы, сегментации или геометрии нужны соответствующие дообученные головы. README указывает высокие вычислительные затраты — 4,715 TFLOPs.

Модель Hecodes/text-to-sql-inventory разработана Hecodes и дообучена на базе мультимодальной unsloth/Qwen3.5-2B с помощью Unsloth и библиотеки Hugging Face TRL. По метаданным, она поддерживает диалоги, анализ изображений и интерфейс вызова инструментов; заявленная задача в каталоге — image-text-to-text. Название указывает на применение для преобразования запросов на естественном языке в SQL для работы с данными об инвентаре, однако README не описывает это назначение и не приводит примеров или результатов. Модель принимает текст и изображения и генерирует текст. В метаданных указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. README сообщает об ускоренном обучении с Unsloth, но не раскрывает размер модели, длину контекста, состав обучающих данных или точность на задачах Text-to-SQL.

openmmlab/upernet-swin-small — модель семантической сегментации изображений на основе архитектуры UperNet с небольшим Swin Transformer в роли визуального backbone. UperNet объединяет backbone с Feature Pyramid Network и модулем Pyramid Pooling Module и предсказывает семантическую метку для каждого пикселя изображения. Модель предназначена для разметки содержимого сцен и семантической сегментации изображений. В карточке описано применение исходной модели; для конкретных наборов классов и специализированных сценариев можно использовать дообученные версии. Репозиторий содержит веса PyTorch и SafeTensors, лицензия — MIT. Ограничение карточки: опубликована общая модельная карточка без сведений о конкретном наборе данных или перечне классов.

BEiT large — модель сегментации изображений от Microsoft на архитектуре Vision Transformer, представленная авторами BEiT. Она предварительно обучена самоконтролируемым способом на ImageNet-21k, а затем дообучена на ADE20K для семантической сегментации. Модель содержит около 411 млн параметров; изображения разбиваются на патчи 16×16, а сегментацию формирует голова UperHead. Для обучения использовались изображения, приведённые к разрешению 640×640 и нормализованные по каналам RGB. Модель предназначена для присвоения пиксельных меток объектам и областям на изображении, в частности для сцен с классами ADE20K. Она принимает изображение и выдаёт карту семантической сегментации. В README приведены также результаты на ADE20K и Cityscapes, однако описанный чекпойнт дообучен именно на ADE20K с 150 классами. Репозиторий распространяется по лицензии Apache-2.0. Возможности модели ограничены семантической сегментацией изображений в соответствии с обучением на ADE20K; для иных наборов классов или предметных областей может потребоваться дополнительное дообучение.

DETRPose-N-COCO — модель обнаружения ключевых точек и оценки поз нескольких людей в реальном времени, представленная авторами работы DETRPose. Она использует гибридный энкодер RT-DETR и лёгкий декодер D-FINE; Pose-LQE улучшает оценку уверенности, а обучение с шумовыми ключевыми точками и специальной функцией потерь нацелено на точную локализацию. Для версии DETRPose-N на COCO в карточке указаны 4,1 млн параметров, AP 57,2, задержка 2,80 мс и 9,3 GFLOPs. Модель принимает изображения и предсказывает позы людей с ключевыми точками, поэтому подходит для анализа позы в реальном времени, например с видеопотока камеры. В метаданных указаны формат safetensors и лицензия Apache-2.0. Карточка описывает модель для инференса, но не приводит подробностей о поддерживаемых типах ключевых точек за пределами оценки поз на COCO.

DETRPose-X-CROWDPOSE — модель компьютерного зрения для обнаружения ключевых точек и оценки поз нескольких людей в реальном времени. Она основана на гибридном энкодере RT-DETR и лёгком декодере D-FINE; в архитектуре также используются Pose-LQE для улучшения оценок уверенности и обучение с денойзингом ключевых точек и специальной функцией потерь Keypoint Similarity Varifocal. В карточке указаны 73,3 млн параметров, результат AP 75,1 на CROWDPOSE и задержка 13,01 мс. Модель предназначена для инференса по изображениям или видеопотоку, например с веб-камеры, чтобы находить людей и оценивать их позы. Репозиторий содержит веса safetensors; для инференса README направляет к специальной ветке проекта DETRPose. Лицензия — Apache-2.0. В карточке не приведены условия тестирования задержки и подробности о диапазоне поддерживаемых типов входных изображений.

mnjm/DINOv1-ViT-S-16-food101 — визуальный энкодер на архитектуре Vision Transformer ViT-S/16, обученный с нуля разработчиком модели на наборе Food-101 с использованием DINOv1 и собственного обучающего репозитория. Модель предназначена для извлечения признаков изображений еды: её можно применять для поиска похожих блюд, группировки изображений и классификации на основе эмбеддингов. В README приведены результаты взвешенной k-NN оценки на валидационной выборке Food-101: точность Top-1 составляет 67,59% при k=20, Top-5 — 86,17%. Модель содержит 28,3 млн параметров и доступна в формате Safetensors через Transformers. На вход подаётся изображение, на выходе — последовательность признаков, из которой README извлекает вектор CLS. Лицензия в предоставленных данных не указана.

LGM Full — конвейер для преобразования изображения в 3D, опубликованный dylanebert как учебный ресурс для курса ML for 3D. Он объединяет полный процесс LGM, включая диффузионную модель для создания нескольких ракурсов; оригинальная работа описывает Large Multi-View Gaussian Model для создания высокодетализированного 3D-контента. Репозиторий использует формат Diffusers и веса safetensors, лицензия — MIT. Карточка не сообщает размер модели, поддерживаемые языки или численные параметры контекста.

Mask2Former-Swin-Large для семантической сегментации изображений на наборе ADE20K. Модель основана на архитектуре Mask2Former с крупным Swin-бэкбоном и предсказывает набор масок и соответствующих меток. Подход Mask2Former также применим к сегментации объектов и паноптической сегментации; эта версия обучена для семантической сегментации ADE20K. Модель разработана командой Mask2Former и опубликована вместе с исследовательской работой о Masked-attention Mask Transformer for Universal Image Segmentation. Она предназначена для анализа изображений и выделения областей, относящихся к разным классам. В репозитории доступны веса PyTorch и safetensors. Лицензия указана как other, поэтому условия использования следует проверить в репозитории модели.

NEED AI Semantic Search — англоязычный энкодер предложений, разработанный для поиска похожих объявлений об услугах на маркетплейсе NEED. Модель дообучена на базе sentence-transformers/all-MiniLM-L6-v2 для семантического поиска и сравнения предложений; архитектура основана на BERT, размер — 25,9 млн параметров, контекст — до 512 токенов. Принимает текст и предназначена для англоязычных запросов и описаний услуг. Модель помогает находить семантически близкие объявления, в том числе когда формулировки запроса и предложения различаются. Она оптимизирована для категорий услуг и пользовательских запросов платформы NEED, поэтому качество в других областях может быть ниже и потребовать дообучения. Лицензия — MIT.

OneFormer — модель универсальной сегментации изображений, разработанная авторами статьи «OneFormer: One Transformer to Rule Universal Image Segmentation». Этот чекпойнт обучен на ADE20K и использует крупный Swin-бэкбон; файлы модели представлены в формате PyTorch. Лицензия — MIT. Модель предназначена для семантической, экземплярной и паноптической сегментации изображений. Один общий архитектурный модуль переключается между задачами с помощью специального токена, поэтому чекпойнт подходит для сценариев, где требуется получать разные виды сегментации одной моделью. Он ориентирован на сцены и категории набора ADE20K; для других наборов данных могут подойти отдельные версии модели.

PixVL-model2-eval-7200 — открытый экспорт модели PixVL, подготовленный для сегментации изображений. Это полная модель для Hugging Face на архитектуре Qwen3-VL с условной генерацией; в README указано, что она инициализирована из Qwen3-VL-4B-SAMTok. Репозиторий содержит веса в формате safetensors. Модель предназначена для исследовательского применения и задач сегментации изображений. README сообщает, что она следует лицензии и ограничениям использования исходной модели; метаданные репозитория указывают лицензию MIT.

RynnBrain 1.1-122B-A10B — мультимодальная модель для embodied AI от Alibaba DAMO Academy, дообученная на базе Qwen3.5-122B-A10B. Это вариант семейства RynnBrain 1.1 с разреженной MoE-архитектурой: в названии указаны 122 млрд параметров и 10 млрд активных параметров. Модель принимает изображения и текст и предназначена для понимания сцен и видео, пространственных рассуждений, локализации объектов и планирования в задачах взаимодействия с физическим миром. В опубликованных материалах семейства описаны распознавание категорий, атрибутов и отношений объектов, подсчёт, поиск объектов по инструкциям с выдачей ограничивающих рамок, 3D-привязка и предсказание точек контакта. Для управления роботами авторы представляют отдельную систему RynnBrain-VLA; README не подтверждает, что данный чекпойнт сам выдаёт действия робота. В метаданных указаны английский и китайский языки, библиотека Transformers и формат safetensors. Лицензия — Apache-2.0. Длина контекста в предоставленных данных не указана.

Это конвертированная в формат MLX модель facebook/sapiens2-pointmap-0.4b от Meta для оценки плотной карты 3D-координат по пикселям на человекоцентричных изображениях. Модель содержит 402,7 млн параметров и выдаёт XYZ pointmap с масштабом; результат соответствует разрешению входного изображения. Веса представлены в bfloat16, а проекции q/k/v объединены в формат, ожидаемый реализацией Sapiens2 в mlx-vlm. Модель предназначена для извлечения плотной 3D-геометрии человека из изображения в сценариях компьютерного зрения, включая анализ позы и формы. Репозиторий содержит конверсию для запуска через mlx-vlm на совместимой с MLX инфраструктуре. Лицензия указана как other; README отсылает к карточке исходной модели за условиями использования. Подробности о поддерживаемых языках и ограничениях качества в предоставленных данных отсутствуют.

SurGe — модель для восстановления трёхмерной геометрии сцены по изображению. Она разработана как метод прямого прохода: предсказывает карты точек и оценивает глобальную 3D-геометрию. В архитектуре используется декодер Neighborhood Attention Decoder (NAD), который постепенно увеличивает разрешение признаков и применяет Neighborhood Attention для локального смешивания информации; обучение включает функцию потерь сопоставления градиентов точек для повышения точности локальной геометрии поверхности. Модель принимает RGB-изображения в формате BCHW со значениями пикселей от 0 до 1 без нормализации ImageNet. В метаданных указано дообучение facebook/dinov2-large и формат весов safetensors. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и ограничивает коммерческое применение. Карточка не сообщает размер модели, поддерживаемые языки или длину контекста; текстовый ввод не предусмотрен.

UL_exterior_classification — модель классификации изображений, созданная дообучением Vision Transformer ViT-Base/16 Google на наборе данных imagefolder. Она предназначена для отнесения изображений к классам внешнего вида, однако карточка не раскрывает состав классов и подробные сценарии применения. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors. На оценочном наборе указаны точность 0,6897 и функция потерь 0,6992. Эти результаты характеризуют только приведённую оценку и не гарантируют качество на других данных. Модель выпущена по лицензии Apache-2.0.